Java中正则表达式匹配混合RTL和LTR字符串

Question

我从一个阿拉伯语音译服务中接收到了一个JSON响应。

首先，我尝试使用以下Pattern仅提取含有音译单词的响应部分："\"r\":\"(\\P{M}\\p{M}*)*?\"");。当我输出整个选择时，响应的这一部分被正确返回：

"r":"تست\\\/0|طست\\\/1|تسة\\\/1|طسة\\\/1|تيست\\\/1|طاسة\\\/1|تيسة\\\/1|تصت\\\/2|تثت\\\/2|تسط\\\/2"

然而，当我尝试用m.group(1)只获取组部分时，输出结果是2。我原本期望得到在"r":"和"之间的所有单词部分。

当我尝试在Eclipse中选择整个控制台输出时，看起来"r":是LTR，其余部分是RTL。也许这会破坏正则表达式。

如何获取"r":"和"之间的整个组？

- ipavlic

Answer 1

你正在重复组。你的基本结构如下：

(matchCharacter)*?

因此，组1只捕获一个字符而不是整个字符串。每次再次使用该组时，先前的捕获将被覆盖。这就是为什么您会得到最后的字符（由于RTL书写方式，这是最左边的字符）。

只需将整个重复部分放在一组中，并使重复部分不捕获：

"\"r\":\"((?:\\P{M}\\p{M}*)*?)\""

无论是从右到左的写作方式还是从左到右的写作方式，这都适用。只是，如果您使用原始的模式，将会得到最左边或最右边的字符，具体取决于方向（因为它将是内存中的最后一个字符）。

- Martin Ender